지식체계란 특정 전문영역의 여러 개별적 지식이 논리적으로 조직되어 통일적 전체를 이룬 것이다. 교육과정은 지식체계를 기저로 교육의 목적에 맞추어, 교육내용과 정해진 수업의 교육 및 학습 방법을 종합적으로 계획한 것을 의미한다. 교육의 전반을 사회·문화적 맥락을 반영하는 것으로 사회의 변화와 무관하지 않다. 정보기술의 발달로 인해 지식의 변화를 겪고 있는 컴퓨터과학 분야는 기계학습, ...
지식체계란 특정 전문영역의 여러 개별적 지식이 논리적으로 조직되어 통일적 전체를 이룬 것이다. 교육과정은 지식체계를 기저로 교육의 목적에 맞추어, 교육내용과 정해진 수업의 교육 및 학습 방법을 종합적으로 계획한 것을 의미한다. 교육의 전반을 사회·문화적 맥락을 반영하는 것으로 사회의 변화와 무관하지 않다. 정보기술의 발달로 인해 지식의 변화를 겪고 있는 컴퓨터과학 분야는 기계학습, 자연어 처리, 전문가 시스템, 비전, 음성, 로보틱스 등의 내용이 교육에 영향을 주고 있다. 이와 같은 변화는 초·중등 컴퓨터과학 교육에까지 영향을 주고 있다. 초·중등 컴퓨터과학 교육의 경우, 2000년대 초반에는 ICT 소양이나 활용에 집중하였다면, 2010년을 전후로 컴퓨팅 사고력을 활용한 역량 강화를 강조하고 있다. 2018년 이래로 한국, 미국, 일본, 중국, 인도 등 각국은 고등교육 분야로 인식되었던 인공지능에 대한 지식을 교육내용으로 포함할 것을 권장하고 있다. 초·중등 교육에 대한 관심은 고등교육의 변화와 무관하지 않다. 브루너의 지식 구조를 고려하면, 초·중등 교육과 고등교육은 계열성과 계속성을 가져야 하기 때문이다. 미국과 일본은 고등교육과정 지식체계를 고려하여, 초·중등 교육과정을 개정하고 있다. 예를 들면 미국은 2001년 고등 컴퓨터과학 표준교육과정인 CC2001을 발표하였으며, 이를 기반으로 2003년 초·중등 교육과정 컴퓨터과학 모델을 개발하였다. 2011년 개발된 초·중등 컴퓨터과학 교육과정도 2008년에 공표된 고등교육과정인 CS2008을 반영한 것이다. 2017년 컴퓨터과학 교육과정 표준도 2013년에 공표한 CS2013 지식체계의 내용과 범위, 수준을 고려하였다. 일본의 초·중등 교육과정도 미국과 유사한 형태로 고등교육과정의 영향을 받아 개정되고 있다. 교육과정을 위한 지식체계 구성은 해당 분야 전문가들이 필요하다고 생각하는 내용을 토대로 지식을 선별하여 반영한다. 전문가에 의존한 방식은 많은 비용과 시간이 소요될 뿐 아니라, 전문가의 구성에 따라 교육과정의 일관성이나 객관성 유지가 어렵다는 한계가 있다. 지식체계에 제시된 주제와 전문용어를 분석하는 것은 교육과정의 고유한 교육적 가치를 조명하고, 시대적 패러다임을 파악할 수 있게 한다. 전문용어나 주제에 기반하여, 데이터의 변형을 최소화한 상태에서 여러 나라의 교육과정을 분석하는 것은 시대적 흐름에 적합한 지식체계를 도출하는 데 도움을 줄 수 있을 것이다. 본 연구는 전문용어를 기반으로 컴퓨터과학 분야의 지식체계 구축 시스템을 개발하기 위한 목적으로, 각국의 지식체계 분석을 통해 시스템 개발의 방향을 정립하였다. 도출된 개발 방향은 다음과 같다. 첫째, 분석을 위한 대조군, 즉. 분석프레임으로 고등지식체계 표준을 활용할 수 있다. 둘째. 분석프레임은 지식영역, 지식 유닛, 수준별 주제의 구조로 쓰임을 가늠할 수 있도록 계층적으로 구축해야 한다. 셋째, 지식체계의 주제에서 단일 어절과 더불어 복합 어절까지 추출할 수 있는 전문용어 추출 기능이다. 넷째, 학습의 전이를 고려하여, 특정 지식과 의미적으로 관련성이 높은 지식의 추출 기능이다. 개발 방향을 고려한 시스템은 지식체계의 본질적 의미를 파악하기 위해 데이터 분석에서 노이지를 최소화하는 데 중점을 두었다. 기존 지식체계 분석은 단어의 빈도나 토픽 모델링을 통한 단어 군집 기반 연구가 있었다. 지식체계 구성을 위한 전문용어는 교육내용 체계화에 기여할 수 있음에도 불구하고 주제를 단어 기반으로 분절적으로 다루어 지식체계의 전체 구조를 파악하는 데는 용이하지만 의미적으로 정확한 분석에는 한계가 있었다. 두 개 이상의 단어가 합성어로 정의된 전문용어의 경우, 단어 기반 분석은 의미 파악에 한계가 있다. 예를 들면, Machine은 Turing machines, Assembly level machine, Machine learning 등 다양한 전문용어가 있다. 즉, Machine이라는 단일 어절은 의미론적으로 모호할 수 있다. 따라서 지식체계 구축을 위해서는 전문용어 추출 혹은 가공하지 않은 상태에서의 분석이 매우 중요하다고 할 수 있다. 컴퓨터과학 지식체계 구축 시스템의 주요 개발 내용은 컴퓨터과학 분야 전문용어 사전 개발, 전문용어 추출 모듈, 주제 간 유사성 추출 모듈로 다음과 같다. 첫째, 전문용어 사전 개발이다. 지식체계는 기준이 되는 틀에 근거하여 분석되어야 하며, 지식체계 고유의 특성을 갖는 전문용어는 중복된 내용이 없어야 한다. 분석 대상인 지식영역이나 분포 등도 명확할 필요가 있다. 이에 본 연구는 지식체계 분석을 위한 틀로 고등 표준 지식체계의 구조와 내용을 바탕으로 전문용어 사전을 개발하였다. 전문용어 사전은 지식영역과 지식 유닛, 입문자/전공자/이 외의 심화 수준의 주제에서 추출된 용어를 위계적으로 조직하여 개발하였다. 둘째, 전문용어 추출 모듈 개발이다. 규칙 기반 방법은 구현이 간단하고 정확성이 높아 많은 연구에서 사용한다. 그러나 대량의 후보 용어 분석, 분야마다 규칙을 수동으로 보완한다는 점 때문에 이식성이 낮다. 본 연구는 컴퓨터과학이라는 특정 분야에서 용어 추출의 정확성을 고려하여 규칙기반 방법을 적용하였다. 지식체계에서 추출된 전문용어를 통해 지식영역/지식 유닛의 전문용어 비중, 전문용어가 수준별 주제에서 어떤 용도·수준으로 쓰이고 있는지, 임베딩을 통해 전문용어 간 의미적 관계를 파악할 수 있도록 하였다. 셋째, 주제 간 의미적 유사성 추출 모듈 개발이다. 고등 표준 지식체계는 지식영역, 혹은 지식영역에 제시된 주제 간 상호참조 관계를 언급하고 있다. 지식 간 참고할 수 있는 내용 혹은 서로 보완할 수 있는 지식을 제공함으로써 학습의 전이와 이해를 돕기 위한 것이다. 본 연구는 문장으로 구성된 주제에 대해 상호 관련성 있는 주제를 추출하기 위해 CNN 기반 모델, Manhattan LSTM, Transformer 모델을 구축하였다. 모델에 두 개의 주제를 입력하여, Final hidden state 벡터의 유사도를 계산하고, 의미적 유사성을 추출하였다. 유사도 측정은 Manhattan distance를 적용하였다. 일반적으로 사용되는 유클리드 거리는 유사도를 판단하는 문제에서 학습 초기 단계에 Vanishing gradients로 에러를 보정하기 어려워 정확도에 영향을 줄 수 있기 때문이다. 주제간 의미적 유사성 타당성 검증은 전문가 내용 타당도 검증과 색인어 기반 검증으로 진행되었으며, 검증 결과를 통해 유사성이 높은 주제는 상호보완 주제로 활용될 수 있음을 확인하였다. 개발된 전문용어 기반 컴퓨터과학 지식체계 구축 시스템에 각국의 초·중등 지식체계를 적용하여, 결과 도출 및 교육적 사용 가능성을 분석하였다. 시스템의 결과를 반영하여, 지식체계를 개발하였다. 개발된 지식체계는 컴퓨터학과 교수 12명을 대상으로 설문을 진행하였으며, 이를 통해 타당성 및 신뢰성을 확보하였다. 영역은 정보 사회, 알고리즘, 프로그래밍, 알고리즘의 성능분석의 4개로 구성되며, 응답 결과는 적합성과 타당성 모두 3.50을 기준으로 기준값 이상으로 나타났다. 영역의 7개 세부영역에 대한 주제의 적합성은 알고리즘 성능분석/구현 영역을 제외하고, 기준값 이상으로 나타났다. 최종적으로 정보기술 개요, 알고리즘, 프로그래밍의 지식영역으로 구성된 지식체계와 각 주제에서 상호보완될 수 있는 주제를 제시하였다. 본 연구는 첫째, 지식체계 분석 연구에서 복합 어절로 구성된 전문용어에 근간하여 분석한 연구이다. 둘째, 학문적 측면에서 문장 모델 방법론이 상호참조 주제 추출을 위해 적용될 수 있음을 제시하였다. 셋째, 지식체계 분석과 구축의 방향성을 제시함으로써 컴퓨터과학뿐 아니라 다양한 학문 분야의 지식체계를 구축하는데 기여할 수 있을 것으로 판단된다. 지식체계 설계는 향후, 학문적 기초를 마련하고, 어떤 주제들을 다루어야 할 것인가의 측면에서 매우 중요한 사항이다. 초·중등 교육뿐 아니라 간 학문적 측면에서도 변화하는 시대와 문화를 반영한 체계적인 지식체계 설계가 가능하도록 연구가 지속되어야 할 것이다.
지식체계란 특정 전문영역의 여러 개별적 지식이 논리적으로 조직되어 통일적 전체를 이룬 것이다. 교육과정은 지식체계를 기저로 교육의 목적에 맞추어, 교육내용과 정해진 수업의 교육 및 학습 방법을 종합적으로 계획한 것을 의미한다. 교육의 전반을 사회·문화적 맥락을 반영하는 것으로 사회의 변화와 무관하지 않다. 정보기술의 발달로 인해 지식의 변화를 겪고 있는 컴퓨터과학 분야는 기계학습, 자연어 처리, 전문가 시스템, 비전, 음성, 로보틱스 등의 내용이 교육에 영향을 주고 있다. 이와 같은 변화는 초·중등 컴퓨터과학 교육에까지 영향을 주고 있다. 초·중등 컴퓨터과학 교육의 경우, 2000년대 초반에는 ICT 소양이나 활용에 집중하였다면, 2010년을 전후로 컴퓨팅 사고력을 활용한 역량 강화를 강조하고 있다. 2018년 이래로 한국, 미국, 일본, 중국, 인도 등 각국은 고등교육 분야로 인식되었던 인공지능에 대한 지식을 교육내용으로 포함할 것을 권장하고 있다. 초·중등 교육에 대한 관심은 고등교육의 변화와 무관하지 않다. 브루너의 지식 구조를 고려하면, 초·중등 교육과 고등교육은 계열성과 계속성을 가져야 하기 때문이다. 미국과 일본은 고등교육과정 지식체계를 고려하여, 초·중등 교육과정을 개정하고 있다. 예를 들면 미국은 2001년 고등 컴퓨터과학 표준교육과정인 CC2001을 발표하였으며, 이를 기반으로 2003년 초·중등 교육과정 컴퓨터과학 모델을 개발하였다. 2011년 개발된 초·중등 컴퓨터과학 교육과정도 2008년에 공표된 고등교육과정인 CS2008을 반영한 것이다. 2017년 컴퓨터과학 교육과정 표준도 2013년에 공표한 CS2013 지식체계의 내용과 범위, 수준을 고려하였다. 일본의 초·중등 교육과정도 미국과 유사한 형태로 고등교육과정의 영향을 받아 개정되고 있다. 교육과정을 위한 지식체계 구성은 해당 분야 전문가들이 필요하다고 생각하는 내용을 토대로 지식을 선별하여 반영한다. 전문가에 의존한 방식은 많은 비용과 시간이 소요될 뿐 아니라, 전문가의 구성에 따라 교육과정의 일관성이나 객관성 유지가 어렵다는 한계가 있다. 지식체계에 제시된 주제와 전문용어를 분석하는 것은 교육과정의 고유한 교육적 가치를 조명하고, 시대적 패러다임을 파악할 수 있게 한다. 전문용어나 주제에 기반하여, 데이터의 변형을 최소화한 상태에서 여러 나라의 교육과정을 분석하는 것은 시대적 흐름에 적합한 지식체계를 도출하는 데 도움을 줄 수 있을 것이다. 본 연구는 전문용어를 기반으로 컴퓨터과학 분야의 지식체계 구축 시스템을 개발하기 위한 목적으로, 각국의 지식체계 분석을 통해 시스템 개발의 방향을 정립하였다. 도출된 개발 방향은 다음과 같다. 첫째, 분석을 위한 대조군, 즉. 분석프레임으로 고등지식체계 표준을 활용할 수 있다. 둘째. 분석프레임은 지식영역, 지식 유닛, 수준별 주제의 구조로 쓰임을 가늠할 수 있도록 계층적으로 구축해야 한다. 셋째, 지식체계의 주제에서 단일 어절과 더불어 복합 어절까지 추출할 수 있는 전문용어 추출 기능이다. 넷째, 학습의 전이를 고려하여, 특정 지식과 의미적으로 관련성이 높은 지식의 추출 기능이다. 개발 방향을 고려한 시스템은 지식체계의 본질적 의미를 파악하기 위해 데이터 분석에서 노이지를 최소화하는 데 중점을 두었다. 기존 지식체계 분석은 단어의 빈도나 토픽 모델링을 통한 단어 군집 기반 연구가 있었다. 지식체계 구성을 위한 전문용어는 교육내용 체계화에 기여할 수 있음에도 불구하고 주제를 단어 기반으로 분절적으로 다루어 지식체계의 전체 구조를 파악하는 데는 용이하지만 의미적으로 정확한 분석에는 한계가 있었다. 두 개 이상의 단어가 합성어로 정의된 전문용어의 경우, 단어 기반 분석은 의미 파악에 한계가 있다. 예를 들면, Machine은 Turing machines, Assembly level machine, Machine learning 등 다양한 전문용어가 있다. 즉, Machine이라는 단일 어절은 의미론적으로 모호할 수 있다. 따라서 지식체계 구축을 위해서는 전문용어 추출 혹은 가공하지 않은 상태에서의 분석이 매우 중요하다고 할 수 있다. 컴퓨터과학 지식체계 구축 시스템의 주요 개발 내용은 컴퓨터과학 분야 전문용어 사전 개발, 전문용어 추출 모듈, 주제 간 유사성 추출 모듈로 다음과 같다. 첫째, 전문용어 사전 개발이다. 지식체계는 기준이 되는 틀에 근거하여 분석되어야 하며, 지식체계 고유의 특성을 갖는 전문용어는 중복된 내용이 없어야 한다. 분석 대상인 지식영역이나 분포 등도 명확할 필요가 있다. 이에 본 연구는 지식체계 분석을 위한 틀로 고등 표준 지식체계의 구조와 내용을 바탕으로 전문용어 사전을 개발하였다. 전문용어 사전은 지식영역과 지식 유닛, 입문자/전공자/이 외의 심화 수준의 주제에서 추출된 용어를 위계적으로 조직하여 개발하였다. 둘째, 전문용어 추출 모듈 개발이다. 규칙 기반 방법은 구현이 간단하고 정확성이 높아 많은 연구에서 사용한다. 그러나 대량의 후보 용어 분석, 분야마다 규칙을 수동으로 보완한다는 점 때문에 이식성이 낮다. 본 연구는 컴퓨터과학이라는 특정 분야에서 용어 추출의 정확성을 고려하여 규칙기반 방법을 적용하였다. 지식체계에서 추출된 전문용어를 통해 지식영역/지식 유닛의 전문용어 비중, 전문용어가 수준별 주제에서 어떤 용도·수준으로 쓰이고 있는지, 임베딩을 통해 전문용어 간 의미적 관계를 파악할 수 있도록 하였다. 셋째, 주제 간 의미적 유사성 추출 모듈 개발이다. 고등 표준 지식체계는 지식영역, 혹은 지식영역에 제시된 주제 간 상호참조 관계를 언급하고 있다. 지식 간 참고할 수 있는 내용 혹은 서로 보완할 수 있는 지식을 제공함으로써 학습의 전이와 이해를 돕기 위한 것이다. 본 연구는 문장으로 구성된 주제에 대해 상호 관련성 있는 주제를 추출하기 위해 CNN 기반 모델, Manhattan LSTM, Transformer 모델을 구축하였다. 모델에 두 개의 주제를 입력하여, Final hidden state 벡터의 유사도를 계산하고, 의미적 유사성을 추출하였다. 유사도 측정은 Manhattan distance를 적용하였다. 일반적으로 사용되는 유클리드 거리는 유사도를 판단하는 문제에서 학습 초기 단계에 Vanishing gradients로 에러를 보정하기 어려워 정확도에 영향을 줄 수 있기 때문이다. 주제간 의미적 유사성 타당성 검증은 전문가 내용 타당도 검증과 색인어 기반 검증으로 진행되었으며, 검증 결과를 통해 유사성이 높은 주제는 상호보완 주제로 활용될 수 있음을 확인하였다. 개발된 전문용어 기반 컴퓨터과학 지식체계 구축 시스템에 각국의 초·중등 지식체계를 적용하여, 결과 도출 및 교육적 사용 가능성을 분석하였다. 시스템의 결과를 반영하여, 지식체계를 개발하였다. 개발된 지식체계는 컴퓨터학과 교수 12명을 대상으로 설문을 진행하였으며, 이를 통해 타당성 및 신뢰성을 확보하였다. 영역은 정보 사회, 알고리즘, 프로그래밍, 알고리즘의 성능분석의 4개로 구성되며, 응답 결과는 적합성과 타당성 모두 3.50을 기준으로 기준값 이상으로 나타났다. 영역의 7개 세부영역에 대한 주제의 적합성은 알고리즘 성능분석/구현 영역을 제외하고, 기준값 이상으로 나타났다. 최종적으로 정보기술 개요, 알고리즘, 프로그래밍의 지식영역으로 구성된 지식체계와 각 주제에서 상호보완될 수 있는 주제를 제시하였다. 본 연구는 첫째, 지식체계 분석 연구에서 복합 어절로 구성된 전문용어에 근간하여 분석한 연구이다. 둘째, 학문적 측면에서 문장 모델 방법론이 상호참조 주제 추출을 위해 적용될 수 있음을 제시하였다. 셋째, 지식체계 분석과 구축의 방향성을 제시함으로써 컴퓨터과학뿐 아니라 다양한 학문 분야의 지식체계를 구축하는데 기여할 수 있을 것으로 판단된다. 지식체계 설계는 향후, 학문적 기초를 마련하고, 어떤 주제들을 다루어야 할 것인가의 측면에서 매우 중요한 사항이다. 초·중등 교육뿐 아니라 간 학문적 측면에서도 변화하는 시대와 문화를 반영한 체계적인 지식체계 설계가 가능하도록 연구가 지속되어야 할 것이다.
주제어
#body of knowledge sentence modeling computer science curriculum terminology extraction system word embedding
학위논문 정보
저자
우호성
학위수여기관
고려대학교 대학원
학위구분
국내박사
학과
컴퓨터학과(정보대학)
지도교수
이원규
발행연도
2020
총페이지
x, 112장
키워드
body of knowledge sentence modeling computer science curriculum terminology extraction system word embedding
※ AI-Helper는 부적절한 답변을 할 수 있습니다.